CN111751394A - 基于图像与xrf矿物反演的岩性识别方法及系统 - Google Patents
基于图像与xrf矿物反演的岩性识别方法及系统 Download PDFInfo
- Publication number
- CN111751394A CN111751394A CN202010519115.7A CN202010519115A CN111751394A CN 111751394 A CN111751394 A CN 111751394A CN 202010519115 A CN202010519115 A CN 202010519115A CN 111751394 A CN111751394 A CN 111751394A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- mineral
- surrounding rock
- lithology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 79
- 239000011707 mineral Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011435 rock Substances 0.000 claims abstract description 140
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 18
- 239000000523 sample Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004876 x-ray fluorescence Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 11
- 150000001768 cations Chemical class 0.000 description 10
- 206010063385 Intellectualisation Diseases 0.000 description 5
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical group [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/406—Imaging fluoroscopic image
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/42—Imaging image digitised, -enhanced in an image processor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/616—Specific applications or type of materials earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/631—Specific applications or type of materials large structures, walls
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/04—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging
- G01V5/08—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging using primary nuclear radiation sources or X-rays
- G01V5/12—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging using primary nuclear radiation sources or X-rays using gamma or X-ray sources
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明属于隧道围岩岩性智能识别领域,提供了基于图像与XRF矿物反演的岩性识别方法及系统,它解决了传统的隧道围岩岩性识别依靠人工,耗费时间长且主观性大,容易造成误判的问题,具有岩性识别的自动化,耗费时间短,工作效率高的效果。其中,识别方法包括接收待测区域围岩的元素信息;将接收的待测区域围岩的元素信息反演成为矿物信息;获取围岩图像且使这些围岩图像可形成一个闭合的环;将同一被测区域的围岩图像转化为一维向量格式的图像信息,再与本身为一维格式的矿物信息拼接,基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。
Description
技术领域
本发明属于隧道围岩岩性智能识别领域,尤其涉及一种基于图像与XRF矿物反演的岩性识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
近些年,随着中国基础设施建设的快速发展,越来越多的隧道施工难题出现在工程人面前。由于隧道施工在岩土体中进行,工作环境存在很强的复杂性和不确定性,灾害也存在着突发性,如何保障施工的安全,始终是困扰工程人的难题。在长期的工程实践探索中,判别围岩岩性对于隧道施工的重要性逐渐凸显出来。大量工程实例证明,在隧道工程施工时,围岩及断面岩石的岩性对于围岩强度分级、施工方法的选择、灾害的超前预报都起着十分重要的作用。在一定程度上,围岩的岩性甚至决定了隧道施工的成本和后期运行的安全。因此,为了保证隧道的安全及质量,在隧道施工时必须要对围岩及断面进行岩性识别。
发明人发现,现有的围岩识别方法大多依靠人工进行,由于工作人员经验和水平的差异及个人主观性的存在,岩性识别的结果往往相差较大,准确性无法得到保障,不能很好满足工程实际的需求。而且由于隧道环境比较艰苦、恶劣,由工作人员人工进行岩性识别工作强度很大,耗费的时间较长,效率难以保证。
发明内容
为了解决上述问题,本发明的第一个方面提供一种基于图像与XRF矿物反演的岩性识别方法,其基于岩石图像信息和元素反演的矿物信息,利用预设神经网络对围岩岩性进行智能识别,不仅避免了主观误判,还实现了岩性识别的自动化、智能化,极大地缩短了所耗费的时间,提高了工作效率。
为了实现上述目的,本发明采用如下技术方案:
一种基于图像与XRF矿物反演的岩性识别方法,包括:
接收待测区域围岩的元素信息;
将接收的待测区域围岩的元素信息反演成为矿物信息;
获取围岩图像且使这些围岩图像可形成一个闭合的环;
将同一被测区域的围岩图像转化为一维向量格式的图像信息,再与本身为一维格式的矿物信息拼接,基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。
作为一种实施方式,将同一被测区域的围岩图像转化为一维向量格式的图像信息之前,还包括对围岩图像进行剪裁和遮挡预处理。
作为一种实施方式,基于B-P神经网络将同一被测区域的围岩图像经过卷积、池化和flatten处理转化为一维向量的图像信息。
作为一种实施方式,基于巴尔特-尼格里标准矿物计算法将接收的待测区域围岩的元素信息反演成为矿物信息。
为了解决上述问题,本发明的第二个方面提供一种基于图像与XRF矿物反演的岩性识别系统的识别系统,其基于岩石图像信息和元素反演的矿物信息,利用预设神经网络对围岩岩性进行智能识别,不仅避免了主观误判,还实现了岩性识别的自动化、智能化,极大地缩短了所耗费的时间,提高了工作效率。
为了实现上述目的,本发明采用如下技术方案:
一种基于图像与XRF矿物反演的岩性识别系统,包括:
元素信息接收模块,其用于接收待测区域围岩的元素信息;
元素信息反演模块,其用于将接收的待测区域围岩的元素信息反演成为矿物信息;
围岩图像获取模块,其用于获取围岩图像且使这些围岩图像可形成一个闭合的环;
岩石岩性识别模块,其用于将同一被测区域的围岩图像转化为一维向量格式的图像信息,再与本身为一维格式的矿物信息拼接,基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。
作为一种实施方式,所述岩石岩性识别模块用于基于B-P神经网络将同一被测区域的围岩图像经过卷积、池化和flatten处理转化为一维向量的图像信息。
作为一种实施方式,在所述元素信息反演模块中,基于巴尔特-尼格里标准矿物计算法将接收的待测区域围岩的元素信息反演成为矿物信息。
作为一种实施方式,所述元素信息接收模块、元素信息反演模块、围岩图像获取模块和岩石岩性识别模块均设置于车载处理器内,所述车载处理器设置在自动驾驶车辆上。
作为一种实施方式,所述车载处理器还包括图像预处理模块,其用于对围岩图像进行剪裁和遮挡预处理。
作为一种实施方式,所述自动驾驶车辆上还设置有探头和图像采集装置;
所述探头搭载在机械臂末端,机械臂安装在自动驾驶车辆上;所述探头为X射线荧光光谱仪,用于检测待测区域围岩的元素信息;
所述图像采集装置环绕自动驾驶车辆一周设置,用于采集围岩图像且使这些围岩图像可形成一个闭合的环。
作为一种实施方式,所述机械臂与控制系统相连,控制系统与用于控制机械臂带动探头绕自动驾驶车辆运动并抵至围岩表面。
作为一种实施方式,所述探头内部设置有压力传感器和倾角传感器,所述压力传感器用于测量探头预围岩表面之间的压力信息并反馈至控制系统,所述倾角传感器用于检测探头倾角并反馈至控制系统。
为了解决上述问题,本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于图像与XRF矿物反演的岩性识别方法中的步骤。
本发明的有益效果是:
(1)本发明自动驾驶车辆移动至预设位置,且基于岩石图像信息和元素反演的矿物信息,利用预设神经网络对围岩岩性进行智能识别,不仅避免了主观误判,还实现了岩性识别的自动化、智能化,极大地缩短了所耗费的时间,提高了工作效率。
(2)本发明取代了传统人工辨别岩性的方法,最大限度避免了由于人员不熟练和主观因素对于结果的不良影响,提升了岩性识别的准确率。
(3)本发明全程由自动化设备完成,不需要工作人员深入隧道,极大提高了岩石辨别工作的安全性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的基于图像与XRF矿物反演的岩性识别方法流程图;
图2是本发明实施例的基于图像与XRF矿物反演的岩性识别系统结构示意图;
图3是本发明实施例的机械臂及探头原理图;
图4是本发明实施例的探头结构示意图。
其中,1、自动驾驶车辆;2、图像采集装置;3、机械臂;4、探头;5、车载处理器;6、压力传感器;7、倾角传感器。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
随着各种隧道工法不断发展,依靠人工去辨别岩石岩性的方法明显不合时宜,如果无法提高岩性辨别的准确率和效率,可能就无法发挥隧道整体施工的潜力。目前无论是隧道施工还是科研研究,都需要一种能够保证岩石岩性辨别准确率和效率的方法。
实施例一
如图1所示,本实施例的基于图像与XRF矿物反演的岩性识别方法,包括:
S101:接收待测区域围岩的元素信息;
S102:将接收的待测区域围岩的元素信息反演成为矿物信息。
具体地,基于巴尔特-尼格里标准矿物计算法将接收的待测区域围岩的元素信息反演成为矿物信息。
其中,因标准矿物是用矿物中阳离数来表示,巴尔特-尼格里标准矿物计算法又称“阳离子标准矿物法”。尼格里指出,岩石中主要级分是硅酸盐造岩矿物,硅酸盐的基本元素是氧,其它元素绝大多数位于周期表前几列,这就决定了它们在原子量上差别不是很大。如果把阳离子标准矿物分子的大小规定为该矿物除以阳离子数而得的分子量,就保证了主要阳离子标准矿物的分子量大体相等。
S103:获取围岩图像且使这些围岩图像可形成一个闭合的环;
S104:将同一被测区域的围岩图像转化为一维向量格式的图像信息,再与本身为一维格式的矿物信息拼接,基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。
在具体实施中,将同一被测区域的围岩图像转化为一维向量格式的图像信息之前,还包括对围岩图像进行剪裁和遮挡预处理。
本实施例通过对围岩图像进行剪裁和遮挡预处理,能够充分利用围岩的有效信息,避免了图像干扰对围岩岩性识别降低识别精度。
在本实施例的预设神经网络为B-P神经网络,本实施例基于B-P神经网络将同一被测区域的围岩图像经过卷积、池化和flatten处理转化为一维向量的图像信息。
可以理解的是,在其他实施例中,预设神经网络也可采用其他神经网络,比如深度神经网络等。
本实施例取代了传统人工辨别岩性的方法,最大限度避免了由于人员不熟练和主观因素对于结果的不良影响,提升了岩性识别的准确率。
实施例二
本实施例提供了一种基于图像与XRF矿物反演的岩性识别系统的识别系统,其基于岩石图像信息和元素反演的矿物信息,利用预设神经网络对围岩岩性进行智能识别,不仅避免了主观误判,还实现了岩性识别的自动化、智能化,极大地缩短了所耗费的时间,提高了工作效率。
本实施例的基于图像与XRF矿物反演的岩性识别系统,包括:
元素信息接收模块,其用于接收待测区域围岩的元素信息;
元素信息反演模块,其用于将接收的待测区域围岩的元素信息反演成为矿物信息;
具体地,基于巴尔特-尼格里标准矿物计算法将接收的待测区域围岩的元素信息反演成为矿物信息。其中,因标准矿物是用矿物中阳离数来表示,巴尔特-尼格里标准矿物计算法又称“阳离子标准矿物法”。尼格里指出,岩石中主要级分是硅酸盐造岩矿物,硅酸盐的基本元素是氧,其它元素绝大多数位于周期表前几列,这就决定了它们在原子量上差别不是很大。如果把阳离子标准矿物分子的大小规定为该矿物除以阳离子数而得的分子量,就保证了主要阳离子标准矿物的分子量大体相等。
围岩图像获取模块,其用于获取围岩图像且使这些围岩图像可形成一个闭合的环;
岩石岩性识别模块,其用于将同一被测区域的围岩图像转化为一维向量格式的图像信息,再与本身为一维格式的矿物信息拼接,基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。
如图2所示,本实施例的基于图像与XRF矿物反演的岩性识别系统,包括自动驾驶车辆1,所述自动驾驶车辆1上设置有探头4、图像采集装置2和车载处理器5;
所述探头4搭载在机械臂3末端,机械臂3安装在自动驾驶车辆1上;所述探头为X射线荧光光谱仪,用于检测待测区域围岩的元素信息;
所述图像采集装置2环绕自动驾驶车辆1一周设置,用于采集围岩图像且使这些围岩图像可形成一个闭合的环。
其中,所述元素信息接收模块、元素信息反演模块、围岩图像获取模块和岩石岩性识别模块均设置于车载处理器内,所述车载处理器设置在自动驾驶车辆上。
在具体实施中,所述车载处理器还包括图像预处理模块,其用于对围岩图像进行剪裁和遮挡预处理。
本实施例通过对围岩图像进行剪裁和遮挡预处理,能够充分利用围岩的有效信息,避免了图像干扰对围岩岩性识别降低识别精度。
在本实施例中,所述岩石岩性识别模块用于基于B-P神经网络将同一被测区域的围岩图像经过卷积、池化和flatten处理转化为一维向量的图像信息。
例如:
图像采集装置2采用摄像头来实现,对隧道围岩进行全方位摄像,收集围岩图像信息,标明角度,并将所收集到的图像信息存储至车载处理器7。
当自动驾驶车辆1在隧道外地面上行驶时,自动驾驶车辆1上设置GPS定位模块,可以实现自动驾驶车辆1的自动定位功能。
在具体实施中,所述机械臂3与控制系统相连,控制系统用于控制机械臂3带动探头4绕自动驾驶车辆1运动并抵至围岩表面。
具体地,机械臂包含四个机械臂关节,通过机械臂关节控制机械臂3旋转和运动。
所述探头4内部设置有压力传感器6和倾角传感器7,所述压力传感器6用于测量探头预围岩表面之间的压力信息并反馈至控制系统,所述倾角传感器7用于检测探头倾角并反馈至控制系统。
其中,控制系统包括控制器及存储器。控制器可采用可编程逻辑器件或CPU等;存储器可采用ROM、RAM或是外置存储设备,比如U盘等。控制器用于接收压力传感器及倾角传感器所传送来的信息并控制机械臂5运动。
在岩石岩性识别模块中,基于B-P神经网络将一维向量的图像信息与本身就为一维的矿物信息拼接起来,之后将拼接起来的岩石信息传递至全连接层,对其进行判别,智能识别岩石岩性。除B-P神经网络,受限波尔兹曼机、支持向量机等也可完成任务。
具体地,基于图像与XRF矿物反演的岩性识别系统的识别具体过程为:
自动驾驶车辆通过本身带有的摄像机自动导航、驾驶;
自动驾驶车辆到达指定区域后,车身安装的若干个摄像头对隧道围岩进行全方位摄像,收集围岩图像信息,标明角度,并将所收集到的图像信息存储至车载处理器;
机械臂外伸,间隔一定角度携带探头至围岩内表面,探头紧贴岩面测量岩石元素信息,可测得该区域若干处岩石元素信息,按照探头倾斜角度的不同分别编号保存;
车载处理器将图像进行预处理,获取有效信息,并依据巴尔特-尼格里标准矿物计算法自动将元素反演成矿物,对经过处理的图像信息和矿物信息进行挑选,将同一区域的信息对应保存;
车载处理器利用同一区域的图像信息和矿物信息对该区域岩性进行智能识别,其将经过卷积、池化、flatten处理后为一维向量格式的图像信息和本身为一维格式的矿物信息拼接起来,通过机器学习的方法,基于B-P神经网络对拼接后的信息进行判别,以识别岩石岩性,并将标明结果坐标、倾角,保存起来;
自动驾驶车辆移动至下一位置,采集下一区域围岩信息并进行岩性识别。
本实施例基于岩石图像信息和元素反演的矿物信息,利用预设神经网络对围岩岩性进行智能识别,不仅避免了主观误判,还实现了岩性识别的自动化、智能化,极大地缩短了所耗费的时间,提高了工作效率。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如实施例一所述的基于图像与XRF矿物反演的岩性识别方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像与XRF矿物反演的岩性识别方法,其特征在于,包括:
接收待测区域围岩的元素信息;
将接收的待测区域围岩的元素信息反演成为矿物信息;
获取围岩图像且使这些围岩图像可形成一个闭合的环;
将同一被测区域的围岩图像转化为一维向量格式的图像信息,再与本身为一维格式的矿物信息拼接,基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。
2.如权利要求1所述的基于图像与XRF矿物反演的岩性识别方法,其特征在于,将同一被测区域的围岩图像转化为一维向量格式的图像信息之前,还包括对围岩图像进行剪裁和遮挡预处理。
3.如权利要求1所述的基于图像与XRF矿物反演的岩性识别方法,其特征在于,基于B-P神经网络将同一被测区域的围岩图像经过卷积、池化和flatten处理转化为一维向量的图像信息;
或
基于巴尔特-尼格里标准矿物计算法将接收的待测区域围岩的元素信息反演成为矿物信息。
4.一种基于图像与XRF矿物反演的岩性识别系统,其特征在于,包括:
元素信息接收模块,其用于接收待测区域围岩的元素信息;
元素信息反演模块,其用于将接收的待测区域围岩的元素信息反演成为矿物信息;
围岩图像获取模块,其用于获取围岩图像且使这些围岩图像可形成一个闭合的环;
岩石岩性识别模块,其用于将同一被测区域的围岩图像转化为一维向量格式的图像信息,再与本身为一维格式的矿物信息拼接,基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。
5.如权利要求4所述的基于图像与XRF矿物反演的岩性识别系统,其特征在于,所述岩石岩性识别模块用于基于B-P神经网络将同一被测区域的围岩图像经过卷积、池化和flatten处理转化为一维向量的图像信息;
或
在元素信息反演模块中,基于巴尔特-尼格里标准矿物计算法将接收的待测区域围岩的元素信息反演成为矿物信息。
6.如权利要求4所述的基于图像与XRF矿物反演的岩性识别系统,其特征在于,所述元素信息接收模块、元素信息反演模块、围岩图像获取模块和岩石岩性识别模块均设置于车载处理器内,所述车载处理器设置在自动驾驶车辆上。
7.如权利要求6所述的基于图像与XRF矿物反演的岩性识别系统,其特征在于,所述车载处理器还包括图像预处理模块,其用于对围岩图像进行剪裁和遮挡预处理。
8.如权利要求6所述的基于图像与XRF矿物反演的岩性识别系统,其特征在于,所述自动驾驶车辆上还设置有探头和图像采集装置;
所述探头搭载在机械臂末端,机械臂安装在自动驾驶车辆上;所述探头为X射线荧光光谱仪,用于检测待测区域围岩的元素信息;
所述图像采集装置环绕自动驾驶车辆一周设置,用于采集围岩图像且使这些围岩图像可形成一个闭合的环。
9.如权利要求8所述的基于图像与XRF矿物反演的岩性识别系统,其特征在于,所述机械臂与控制系统相连,控制系统与用于控制机械臂带动探头绕自动驾驶车辆运动并抵至围岩表面;
或
所述探头内部设置有压力传感器和倾角传感器,所述压力传感器用于测量探头预围岩表面之间的压力信息并反馈至控制系统,所述倾角传感器用于检测探头倾角并反馈至控制系统。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一项所述的基于图像与XRF矿物反演的岩性识别方法中的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010305833 | 2020-04-17 | ||
CN2020103058334 | 2020-04-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111751394A true CN111751394A (zh) | 2020-10-09 |
CN111751394B CN111751394B (zh) | 2021-08-27 |
Family
ID=72675910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010519115.7A Active CN111751394B (zh) | 2020-04-17 | 2020-06-09 | 基于图像与xrf矿物反演的岩性识别方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11796493B2 (zh) |
CN (1) | CN111751394B (zh) |
WO (1) | WO2021208515A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348014A (zh) * | 2020-11-03 | 2021-02-09 | 招商局重庆公路工程检测中心有限公司 | 基于机器视觉的隧道掌子面围岩级别快速识别方法 |
CN112801035A (zh) * | 2021-02-24 | 2021-05-14 | 山东大学 | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 |
CN113297962A (zh) * | 2021-05-24 | 2021-08-24 | 山东大学 | 无人机搭载式xrf和图像融合的岩性识别系统及方法 |
WO2021208515A1 (zh) * | 2020-04-17 | 2021-10-21 | 山东大学 | 基于图像与xrf矿物反演的岩性识别系统及方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116105692B (zh) * | 2023-02-08 | 2024-04-05 | 成都理工大学 | 用于围岩分级和变形预测的隧道围岩形貌采集装置及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070195645A1 (en) * | 2004-01-20 | 2007-08-23 | Laake Andreas W | Survey design using earth observation data |
CN102620672A (zh) * | 2011-12-01 | 2012-08-01 | 中国人民解放军63653部队 | 图像拼接技术在隧道围岩变形非接触测量中的应用 |
CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
CN105221142A (zh) * | 2014-07-04 | 2016-01-06 | 中国石油化工股份有限公司 | 一种识别页岩地层矿物质量含量的方法 |
CN109186480A (zh) * | 2018-09-19 | 2019-01-11 | 成都理工大学 | 基于双护盾tbm工艺的隧道围岩扫描与观测系统 |
CN109424360A (zh) * | 2017-08-28 | 2019-03-05 | 中国石油天然气股份有限公司 | 确定地层中矿物含量的方法及装置 |
CN109710968A (zh) * | 2018-11-14 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种基岩潜山裂缝预测方法及装置 |
CN110031491A (zh) * | 2019-04-04 | 2019-07-19 | 山东大学 | 车载式岩性与不良地质前兆特征识别系统及方法 |
CN110043267A (zh) * | 2019-04-04 | 2019-07-23 | 山东大学 | 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报系统及方法 |
CN110686616A (zh) * | 2019-10-23 | 2020-01-14 | 中南大学 | 一种tbm隧道围岩形貌采集方法及装置 |
CN110749609A (zh) * | 2019-11-20 | 2020-02-04 | 北京九恒质信能源技术有限公司 | 地下岩石的弹性力学数据确定方法、装置、系统和介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8982338B2 (en) * | 2012-05-31 | 2015-03-17 | Thermo Scientific Portable Analytical Instruments Inc. | Sample analysis |
US9488605B2 (en) * | 2012-09-07 | 2016-11-08 | Carl Zeiss X-ray Microscopy, Inc. | Confocal XRF-CT system for mining analysis |
US10948410B2 (en) * | 2016-12-02 | 2021-03-16 | National Research Council Of Canada | Optical imaging of mineral species using hyperspectral modulation transfer techniques |
MA50347A (fr) * | 2017-05-15 | 2020-08-19 | Saudi Arabian Oil Co | Analyse d'un échantillon de roche |
CN107620593A (zh) * | 2017-08-08 | 2018-01-23 | 中国科学院地质与地球物理研究所 | 一种油气田现场随钻岩屑扫描系统及方法 |
CN110031493B (zh) * | 2019-04-04 | 2020-07-31 | 山东大学 | 基于图像与光谱技术的岩性智能识别系统与方法 |
CN110346349A (zh) * | 2019-07-30 | 2019-10-18 | 辽宁石油化工大学 | 岩屑检测装置 |
CN111751394B (zh) * | 2020-04-17 | 2021-08-27 | 山东大学 | 基于图像与xrf矿物反演的岩性识别方法及系统 |
-
2020
- 2020-06-09 CN CN202010519115.7A patent/CN111751394B/zh active Active
- 2020-12-30 WO PCT/CN2020/141564 patent/WO2021208515A1/zh active Application Filing
- 2020-12-30 US US17/777,700 patent/US11796493B2/en active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070195645A1 (en) * | 2004-01-20 | 2007-08-23 | Laake Andreas W | Survey design using earth observation data |
CN102620672A (zh) * | 2011-12-01 | 2012-08-01 | 中国人民解放军63653部队 | 图像拼接技术在隧道围岩变形非接触测量中的应用 |
CN105221142A (zh) * | 2014-07-04 | 2016-01-06 | 中国石油化工股份有限公司 | 一种识别页岩地层矿物质量含量的方法 |
CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
CN109424360A (zh) * | 2017-08-28 | 2019-03-05 | 中国石油天然气股份有限公司 | 确定地层中矿物含量的方法及装置 |
CN109186480A (zh) * | 2018-09-19 | 2019-01-11 | 成都理工大学 | 基于双护盾tbm工艺的隧道围岩扫描与观测系统 |
CN109710968A (zh) * | 2018-11-14 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种基岩潜山裂缝预测方法及装置 |
CN110031491A (zh) * | 2019-04-04 | 2019-07-19 | 山东大学 | 车载式岩性与不良地质前兆特征识别系统及方法 |
CN110043267A (zh) * | 2019-04-04 | 2019-07-23 | 山东大学 | 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报系统及方法 |
CN110686616A (zh) * | 2019-10-23 | 2020-01-14 | 中南大学 | 一种tbm隧道围岩形貌采集方法及装置 |
CN110749609A (zh) * | 2019-11-20 | 2020-02-04 | 北京九恒质信能源技术有限公司 | 地下岩石的弹性力学数据确定方法、装置、系统和介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021208515A1 (zh) * | 2020-04-17 | 2021-10-21 | 山东大学 | 基于图像与xrf矿物反演的岩性识别系统及方法 |
US11796493B2 (en) | 2020-04-17 | 2023-10-24 | Shandong University | System and method for identifying lithology based on images and XRF mineral inversion |
CN112348014A (zh) * | 2020-11-03 | 2021-02-09 | 招商局重庆公路工程检测中心有限公司 | 基于机器视觉的隧道掌子面围岩级别快速识别方法 |
CN112801035A (zh) * | 2021-02-24 | 2021-05-14 | 山东大学 | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 |
CN113297962A (zh) * | 2021-05-24 | 2021-08-24 | 山东大学 | 无人机搭载式xrf和图像融合的岩性识别系统及方法 |
CN113297962B (zh) * | 2021-05-24 | 2022-08-19 | 山东大学 | 无人机搭载式xrf和图像融合的岩性识别系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021208515A1 (zh) | 2021-10-21 |
CN111751394B (zh) | 2021-08-27 |
US11796493B2 (en) | 2023-10-24 |
US20230003674A1 (en) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111751394B (zh) | 基于图像与xrf矿物反演的岩性识别方法及系统 | |
EP3680648B1 (en) | Port machinery inspection device and inspection method | |
US20210215590A1 (en) | Intelligent lithology identification system and method based on images and spectrum technology | |
CN111291658B (zh) | Tbm搭载式隧道围岩结构虚拟再现系统与方法 | |
CN101458072A (zh) | 一种基于多传感器的三维轮廓测量装置及其测量方法 | |
CN109623815B (zh) | 一种用于无人打捞船的波浪补偿双机器人系统及方法 | |
CN110751123B (zh) | 一种单目视觉惯性里程计系统及方法 | |
CN113982690B (zh) | 基于锚护作业的控制方法及装置、系统、掘锚护一体机 | |
CN108189040A (zh) | 一种污水管线检测机器人系统 | |
CN111702054A (zh) | 一种曲板渐进成形在位调形检测系统及方法 | |
CN113487583A (zh) | 一种基于3d点云切片的井下巷道表面变形检测系统 | |
CN111145262B (zh) | 一种基于车载的单目标定方法 | |
KR101815028B1 (ko) | 무인 촬영 비행체의 이동 경로 설정 방법 및 무인 촬영 비행체의 이동 경로 설정 방법을 실행시키는 프로그램이 기록된 기록 매체 | |
CN113500581B (zh) | 一种综采工作面巡检机器人控制系统 | |
CN112379605B (zh) | 基于视觉伺服的桥式起重机半实物仿真控制实验系统及方法 | |
CN116533998B (zh) | 车辆的自动驾驶方法、装置、设备、存储介质及车辆 | |
CN111931832A (zh) | 一种变电站巡检设备最优数据采集方法及系统 | |
CN116012336B (zh) | 隧道智慧化地质素描及围岩等级判识装置及方法 | |
CN110039520B (zh) | 一种基于图像对比的示教、加工系统 | |
CN110696016A (zh) | 一种适用于地铁车辆列检工作的智能机器人 | |
CN108564626B (zh) | 用于确定安装于采集实体的相机之间的相对姿态角的方法和装置 | |
CN210879689U (zh) | 一种适用于地铁车辆列检工作的智能机器人 | |
KR20230082497A (ko) | 3차원 포인트 클라우드를 이용한 구조물의 실시간 검진 자동화 방법 및 장치 | |
KR101492926B1 (ko) | 지형정보 비교에 의한 수치지도 정보 관리방법이 적용된 시스템 | |
CN208969510U (zh) | 一种潜水器六自由度运动实时测量装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |